อธิบายว่ามีเงื่อนไข heteroskedasticity (ARCH) อธิบาย

heteroskedasticity แบบ autoregressive (ARCH) คืออะไร?

Autoregressive Formitional Heteroskedasticity (ARCH) เป็นแบบจำลองทางสถิติที่ใช้ในการวิเคราะห์ความผันผวนในอนุกรมเวลาเพื่อคาดการณ์ความผันผวนในอนาคต ในโลกการเงินการสร้างแบบจำลอง Arch ใช้เพื่อประเมินความเสี่ยงโดยการจัดทำแบบจำลองความผันผวนที่คล้ายกับตลาดจริงอย่างใกล้ชิดยิ่งขึ้น การสร้างแบบจำลอง Arch แสดงให้เห็นว่าช่วงเวลาที่มีความผันผวนสูงตามมาด้วยความผันผวนสูงและช่วงเวลาที่มีความผันผวนต่ำตามมาด้วยความผันผวนต่ำมากขึ้น

ในทางปฏิบัตินี่หมายความว่าความผันผวนหรือความแปรปรวนมีแนวโน้มที่จะจัดกลุ่มซึ่งเป็นประโยชน์ต่อนักลงทุนเมื่อพิจารณาถึงความเสี่ยงของการถือสินทรัพย์ในช่วงเวลาที่แตกต่างกัน แนวคิด Arch ได้รับการพัฒนาโดยนักเศรษฐศาสตร์Robert F. Engle IIIในปี 1980 Arch ปรับปรุงการสร้างแบบจำลองทางการเงินทันทีส่งผลให้ Engle ได้รับรางวัลโนเบลอนุสรณ์ปี 2546 ในด้านวิทยาศาสตร์เศรษฐกิจ

โมเดล Heteroskedasticity (ARCH) แบบอัตโนมัติได้รับการออกแบบมาเพื่อปรับปรุงเกี่ยวกับเศรษฐีแบบจำลองโดยการแทนที่สมมติฐานของความผันผวนคงที่ด้วยความผันผวนตามเงื่อนไข Engle และคนอื่น ๆ ที่ทำงานในรูปแบบ Arch ได้รับการยอมรับว่าข้อมูลทางการเงินที่ผ่านมามีผลต่อข้อมูลในอนาคต - นั่นคือคำจำกัดความของก้าวร้าว-

ส่วน heteroskedasticity แบบมีเงื่อนไขเพียงแค่หมายถึงความจริงที่สังเกตได้ว่าความผันผวนในตลาดการเงินนั้นไม่แน่นอน - ข้อมูลทางการเงินทั้งหมดไม่ว่าจะเป็นมูลค่าตลาดหุ้นราคาน้ำมันอัตราแลกเปลี่ยนหรือ GDP ผ่านช่วงเวลาที่มีความผันผวนสูงและต่ำ

นักเศรษฐศาสตร์มักจะรู้จักปริมาณการเปลี่ยนแปลงความผันผวนอยู่เสมอ แต่พวกเขามักจะเก็บไว้ในช่วงเวลาที่กำหนดเพราะพวกเขาขาดตัวเลือกที่ดีกว่าเมื่อสร้างแบบจำลองตลาด

Arch จัดทำแบบจำลองที่นักเศรษฐศาสตร์สามารถใช้แทนค่าคงที่หรือเฉลี่ยสำหรับความผันผวน แบบจำลอง Arch สามารถรับรู้และคาดการณ์ได้นอกเหนือจากกลุ่มความผันผวนที่เห็นในตลาดในช่วงวิกฤตการเงินหรืออื่น ๆหงส์ดำเหตุการณ์

ตัวอย่างเช่นความผันผวนของ S&P 500 อยู่ในระดับต่ำผิดปกติเป็นระยะเวลานานในช่วงตลาดกระทิงตั้งแต่ปี 2546-2550 ก่อนที่จะทำการบันทึกระดับในระหว่างการแก้ไขตลาดปี 2551

การเปลี่ยนแปลงที่ไม่สม่ำเสมอและรุนแรงนี้เป็นเรื่องยากสำหรับโมเดลที่ใช้มาตรฐานการกำหนดค่ามาตรฐานในการจัดการ อย่างไรก็ตามโมเดล Arch สามารถแก้ไขปัญหาทางสถิติที่เกิดขึ้นจากรูปแบบประเภทนี้ในข้อมูลได้

นอกจากนี้โมเดล Arch ทำงานได้ดีที่สุดกับข้อมูลความถี่สูง (รายชั่วโมงรายวันรายเดือนรายเดือน) ดังนั้นจึงเหมาะสำหรับข้อมูลทางการเงิน เป็นผลให้แบบจำลอง Arch กลายเป็นแกนนำสำหรับการสร้างแบบจำลองตลาดการเงินที่แสดงความผันผวน (ซึ่งเป็นตลาดการเงินทั้งหมดในระยะยาว)

วิวัฒนาการอย่างต่อเนื่องของโมเดลซุ้มประตู

จากการบรรยายโนเบลของแองเกิลในปี 2546 เขาได้พัฒนา Arch เพื่อตอบสนองต่อการคาดเดาของมิลตันฟรีดแมนว่ามันเป็นความไม่แน่นอนเกี่ยวกับอัตราเงินเฟ้อที่จะเป็นมากกว่าอัตราเงินเฟ้อที่เกิดขึ้นจริงซึ่งส่งผลกระทบต่อเศรษฐกิจ

เมื่อโมเดลถูกสร้างขึ้นมันก็พิสูจน์แล้วว่ามีค่าสำหรับการพยากรณ์ความผันผวนทุกรูปแบบ Arch ได้วางไข่แบบจำลองที่เกี่ยวข้องมากมายซึ่งใช้กันอย่างแพร่หลายในการวิจัยและการเงินรวมถึงกระพือ, Egarch, Starch และอื่น ๆ

โมเดลตัวแปรเหล่านี้มักจะแนะนำการเปลี่ยนแปลงในแง่ของการถ่วงน้ำหนักและเงื่อนไขเพื่อให้ได้ช่วงการพยากรณ์ที่แม่นยำยิ่งขึ้น ตัวอย่างเช่น Egarch หรือ Exponential Garch ให้น้ำหนักมากขึ้นกับผลตอบแทนเชิงลบในชุดข้อมูลเนื่องจากสิ่งเหล่านี้แสดงให้เห็นเพื่อสร้างความผันผวนมากขึ้น

อีกวิธีหนึ่งความผันผวนในแผนภูมิราคาเพิ่มขึ้นมากขึ้นหลังจากลดลงมากกว่าหลังจากเพิ่มขึ้นอย่างมาก ตัวแปรโมเดล Arch ส่วนใหญ่วิเคราะห์ข้อมูลที่ผ่านมาเพื่อปรับน้ำหนักโดยใช้ไฟล์แนวทางโอกาสสูงสุด- สิ่งนี้ส่งผลให้เกิดแบบจำลองแบบไดนามิกที่สามารถคาดการณ์ความผันผวนในระยะใกล้และอนาคตด้วยความแม่นยำที่เพิ่มขึ้น-ซึ่งแน่นอนว่าทำไมสถาบันการเงินจำนวนมากจึงใช้พวกเขา

heteroskedasticity ตามเงื่อนไขอัตโนมัติ (GARCH)

โมเดล heteroskedasticity (GARCH) แบบทั่วไปเป็นเครื่องมือทางสถิติที่ใช้ในการวิเคราะห์ข้อมูลอนุกรมเวลาซึ่งความแปรปรวนของข้อผิดพลาดนั้นเป็นความสัมพันธ์แบบอัตโนมัติเมื่อเวลาผ่านไป รุ่น Garch สันนิษฐานว่าความแปรปรวนของคำผิดพลาดเป็นไปตามกระบวนการตามค่าเฉลี่ยเคลื่อนที่แบบอัตโนมัติ

ความแตกต่างหลักระหว่างโมเดล Arch และ Garch คือวิธีที่พวกเขาจัดการกับความผันผวน โมเดล Arch ใช้เพียงคำศัพท์ข้อผิดพลาดที่ผ่านมา (แรงกระแทก) เพื่อทำนายความแปรปรวนในอนาคตโดยมุ่งเน้นไปที่ความผันผวนระยะสั้น ในทางตรงกันข้ามโมเดล Garch ขยายสิ่งนี้โดยการรวมทั้งข้อผิดพลาดที่ผ่านมาและความแปรปรวนในอดีตทำให้พวกเขาสามารถจับรูปแบบความผันผวนที่ยาวนานขึ้นได้

ในด้านการเงินและการลงทุนแบบจำลอง GARCH สามารถใช้ในการทำนายความผันผวนของผลตอบแทนจากเครื่องมือทางการเงินและเหมาะอย่างยิ่งสำหรับการประเมินความเสี่ยงและผลตอบแทนที่คาดหวังสำหรับการลงทุนที่แสดงช่วงเวลาของผลตอบแทนความผันผวน

บรรทัดล่าง

Autoregressive Formitional Heteroskedasticity (ARCH) เป็นแบบจำลองทางสถิติสำหรับการวิเคราะห์และการพยากรณ์ความผันผวนใน Times Series โดยเฉพาะในตลาดการเงิน โมเดล Arch เปิดเผยว่าความผันผวนสูงมีแนวโน้มที่จะติดตามความผันผวนสูงและความผันผวนต่ำมีแนวโน้มที่จะเป็นไปตามความผันผวนต่ำโดยจับการรวมกลุ่มของความผันผวนในราคาสินทรัพย์ วิธีการแบบไดนามิกนี้ช่วยให้สถาบันการเงินประเมินความเสี่ยงได้อย่างมีประสิทธิภาพมากขึ้นโดยเฉพาะในช่วงวิกฤตการณ์ของตลาด